我们想提请大家注意普通牙科实践中出现的一个新问题：有些患者在接受治疗前就已经通过大型语言模型得到了诊断结果。

Stagnell、Butler和Gil描述过一名患者，他在治疗结束后利用生成式AI撰写了投诉信。1我们所提到的问题发生在临床就诊之前，它会影响患者的预期，而当临床医生的诊断结果与之不同时，就会削弱患者对专业意见的信任。

在我们其中一位作者（ND）最近观察的一个病例中，有一名患者前来要求为多颗后牙进行复合树脂修复。他们之前已经从另一位医生那里获得了咬翼X光片，将其上传到ChatGPT，让该模型识别出牙齿问题。模型在牙颈边缘发现了透射区，并以极高的确定性给出了判断：“牙颈龋，需要修复治疗”。但实际检查时，这些牙齿并没有症状，也没有龋齿。那些透射区实际上是牙颈磨损的表现，这是由于牙釉质与牙骨质交界处对X射线的吸收减少而导致的正常X光表现。一项最新的系统评价发现，这类表现——包括三角形透射区和马赫带效应——会导致大约13%的X光检查结果出现假性龋齿诊断，而在超过四分之一的上颌磨牙上都能看到非龋齿性的透射区。2从不同角度拍摄的补充根尖X光片也证实不存在龋齿病变。如果临床医生不加核实就接受AI的诊断结果，健康的牙体组织就可能会被不可逆转地切除。

因为患者提供了真实的X光图像，所以AI的诊断结果具有虚假的权威性，而仅基于文本的咨询则没有这种效果。该模型会将透射区与最常见的病理解释相对应，但却无法区分正常解剖结构与疾病——这种错误的分类与“幻觉”现象有关，即模型会生成看似合理但实际上错误的输出。3Temur和Magat的研究表明，性能最好的ChatGPT版本在复杂的口腔及颌面疾病诊断中的准确率可达70%；而当AI作为辅助工具用于临床判断时，综合准确率可提升至92%——但这种情况下，诊断的权威仍在于临床医生，而非患者。4

这些模型还对问题的表述方式很敏感。当患者说“我觉得我有龋齿，你能确认一下吗？”时，模型的回答会受到这种预期的影响——在AI研究领域，这种现象被称为迎合心理。一旦患者得到了确定的诊断结果，平台上要求用户咨询专业医生的提示就很容易被忽视。这反映了自动化偏见：即便专家给出其他建议，人们仍然倾向于依赖自动化的输出，这一现象在航空、医疗和工业领域都有记载。5

牙科行业需要一些实用的策略。当患者带来AI生成的诊断结果时，临床医生应当记录下AI的建议以及自己偏离该建议的临床依据——同时要记住，根据英国现行法律，无论怎样，所有的专业责任和法律责任都依然在负责治疗的临床医生身上。忽视患者的主动行为可能会损害医患关系，而不加批判地接受该诊断结果则可能带来临床风险。临床医生应当认可患者的主动性，同时解释检查的结果以及为何其与AI的诊断结果不同。为保护患者隐私，相关细节已作修改。